Wszystko co trzeba wiedzieć o agentach AI

W 2024 roku globalny rynek agentów AI osiągnął wartość 5 mld dolarów. Jak wskazują prognozy Markets&Markets, w kolejnych latach ma on rozwijać się w imponującym tempie blisko 45% rocznie, aby w 2030 roku osiągnąć wartość ponad 47 mld dolarów. Jaki jest obecnie poziom rozwoju tych technologii w Polsce? Na czym polega istota agentów AI? Z jakimi ograniczeniami i wyzwaniami trzeba się mierzyć podczas ich tworzenia? Jaka będzie ich przyszłość? Odpowiedzi na te i kilka innych pytań znajdziesz w poniższym materiale.

Termin „agenci AI” nie ma jednej, standardowej definicji. Można jednak z całą pewnością stwierdzić, że rozwiązania tego typu działają niezależnie od użytkownika i proaktywnie. Po drugie, mogą wykonywać wiele różnych zadań – od przeszukiwania baz danych, po podejmowanie decyzji i zatwierdzanie transakcji – wszystko bez ingerencji człowieka i pod kątem określonych celów.

„Agenci AI – o których mówi się, że już niebawem będą prawdziwą rewolucją na rynku – to rozwiązania wykorzystujące różne narzędzia, podejmujące autonomiczną decyzje o tym co zrobić i w jaki sposób. Ponadto sami informują o tym, że wykonali zadanie i są gotowi na to, aby przekazać jego wynik dalej. Kluczowa jest właśnie ta autonomiczność” – tłumaczy Bartek Roszak, Head of Artificial Intelligence w STX Next, jednej z niewielu polskich firm, które tworzą agentów AI. „Niestety, często mianem agentów AI określa się też narzędzia dużo prostsze. Przykładowo, systemy klasyfikujące i odpowiadające na e-maile, czy inne narzędzia posiadające prosty workflow, zawierający jakieś modele AI, które coś rozpoznają i wyciągają pewne informacje. Ale systemy te nie są autonomiczne. Nie można więc nazywać ich agentami AI. To rodzaj fałszywego marketingu” – dodaje.

Jak działają agenci AI?

Agenci AI działają w trzystopniowym cyklu obserwuj-planuj-działaj. Zaczynają więc od gromadzenia i przetwarzania danych ze swojego otoczenia. Może to obejmować przykładowo, analizowanie poleceń tekstowych, strumieni danych lub odbieranie danych z czujników. Na etapie planowania, przy wykorzystaniu modeli językowych (np. LLM) czy modeli uczenia maszynowego (jak NLP), agenci AI autonomicznie oceniają i ustalają priorytety działań. Robią to na podstawie zrozumienia problemu, który należy rozwiązać, celów, które należy osiągnąć, kontekstu oraz pamięci. W trzecim etapie cyklu, rozwiązania te używają interfejsów z systemami danej organizacji oraz wykorzystywanymi przez nią narzędziami i źródłami danych, aby wykonywać konkretne zadania. Aby tego dokonać, agent AI może uzyskać dostęp do usług przedsiębiorstwa (np. systemów HR, zarządzania zamówieniami lub CRM), delegować działania innym agentom AI lub poprosić użytkownika o wyjaśnienia.

We właściwym funkcjonowaniu agentów AI kluczowe jest też wykorzystanie odpowiednio przygotowanej infrastruktury technicznej i rozwiązań do budowy oraz uczenia modeli sztucznej inteligencji. „W tej sytuacji dobrze sprawdzają się rozwiązania chmurowe, które dzięki dużej elastyczności, skalowalności i przejrzystym modelom rozliczeniowym zapewniają dostęp do skalowalnych baz danych i systemów pozwalających agregować dane, co przyspiesza proces rozwoju i obniża koszty wdrożenia” – zapewnia Tomasz Sobol, Marketing Development Manager CEE w OVHcloud. „Nie bez znaczenia jest również dostęp do narzędzi do budowy agentów AI, takich jak AI Endpoints. Nie wymaga ono szerokiej wiedzy w obszarze AI, ponieważ rozwiązanie zapewnia dostęp do zaawansowanych modeli AI, w tym dużych modeli językowych (LLMs), przetwarzania języka naturalnego, tłumaczenia, a także rozpoznawania mowy i obrazów” – dodaje.

Jak zbudowani są agenci AI?

Rozwiązania tego typu różnią się pod względem implementacji, ale zazwyczaj mają pięć części składowych. Są to:

• Interfejsy zorientowane na agenta – w tym protokoły i interfejsy API używane do łączenia agentów z użytkownikami, bazami danych, czujnikami i innymi systemami, umożliwiające inteligentnym agentom obserwowanie ich otoczenia.
• Moduł pamięci – obejmuje zarówno pamięć krótkotrwałą dla ostatnich zdarzeń i bezpośredniego kontekstu, jak i pamięć długotrwałą dla wiedzy faktograficznej, pojęć, szczegółów, poprzednich rozmów i wiedzy o tym, jak poprzednie zadania zostały wykonane.
• Moduł profilu – definiuje atrybuty agenta, takie jak jego rola, cele i wzorce zachowań.
• Moduł planowania – zwykle wykorzystuje LLM lub SLM, pobiera obserwacje ze środowiska, w tym z pamięci i profilu agenta, aby zebrać odpowiednie plany do podjęcia przez agenta.
• Moduł działań – obejmuje interfejsy API i integracje systemowe, które definiują wszechświat działań dostępnych dla agenta AI.

Tak to wygląda w teorii, a jak w praktyce?

„Stworzone przez nas rozwiązanie DeepNext, ma za zadanie znalezienie odpowiednich informacji w repozytorium kodu. Robi to przy pomocy różnych narzędzi, samodzielnie podejmując kolejne działania, wybierając drogę, którą podąża i samodzielnie decydując, kiedy jest ona skończona, aby finalnie przygotować odpowiednią listę plików. Tę listę kolejny agent AI – odpowiadający za developowanie rozwiązania – będzie wykorzystywał jako kontekst. Mamy więc wspomniany wątek pewnej autonomiczności” – tłumaczy Bartek Roszak.

Innym przykładem rozwiązań agentowych są te wdrażane przez firmę 10Clouds. „Dla banków przygotowujemy różne automatyzacje agentowe. Przykładowo, jest to wsparcie analityków w procesie rozpatrywania wniosków kredytowych. Agent AI przegląda serie danych z różnych źródeł i samodzielnie dostarcza rekomendację o przyznaniu kredytu, bądź odmowie” – wskazuje Maciej Cielecki, Executive Chairman & Chief AI Officer w 10Clouds. „Obecnie natomiast pracujemy nad agentem, przeznaczonym dla branży HR, którego zadaniem jest skontaktowanie się z kandydatem do pracy i odbycie z nim krótkiej rozmowy dotyczącej m.in. potwierdzenia spotkania rekrutacyjnego” – dodaje.

Rodzaje agentów AI i ich rynek w Polsce

Obecnie rynek agentów AI najbardziej rozwinięty jest w USA. Organizacje mają tam do wyboru pełen wachlarz narzędzi – od tych prostych np. automatyzujących powtarzalne zadania, po wyrafinowane, wielofunkcyjne systemy agentowe, które mogą przekształcać całe przepływy pracy.

Wybór lub rozwój agenta AI zależy od kilku czynników, m.in.: od złożoności technicznej, kosztów wdrożenia czy konkretnych przypadków użycia. Warto też dodać, że część organizacji decydują się na gotowe do użycia rozwiązania, podczas gdy inne inwestują w agentów niestandardowych dostosowanych do ich unikalnych potrzeb.

W Polsce rynek agentów AI zaczął powoli rozwijać się na początku 2024 roku. Wcześniej mieliśmy bowiem do czynienia wyłącznie z bardzo prostymi systemami agentowymi. Jak sytuacja wygląda obecnie?

„Rynek agentów AI znajduje się cały czas w fazie developmentu. Rozwiązania te najczęściej nie są jeszcze gotowe do zastosowań produkcyjnych. A jeśli nawet wdrożono wersje demonstracyjne takich rozwiązań, to najczęściej nie generują one jeszcze zysku. Z moich obserwacji wynika, że ten rynek dopiero raczkuje” – twierdzi Bartek Roszak.

Spora konkurencja występuje jedynie na poziomie startupów, które próbują tworzyć tego typu rozwiązania. Jak wskazuje ekspert STX Next, nie ma natomiast praktycznie żadnej konkurencji rozumianej w ten sposób, że kilka firm „bije się” o to, która z nich stworzy lepszy system agentowy. „Rozwiązania te są jeszcze za słabe jakościowo, żeby mogły konkurować ze sobą. Owszem przygotowuje je kilka firm na świecie, ale cały czas są to rozwiązania, które nie są na tyle dobre, żeby były w stanie generować dochód” – mówi Bartek Roszak.

Opinie tę potwierdza Maciej Cielecki: „Na rynku wciąż jednak dominują firmy od tzw. starego AI, z podejściem bardziej machine learning, a mniej integracyjnym. W większości procesów sprzedażowych występujemy jako 10Clouds sami. Niedawno przygotowaliśmy ofertę dla dużej korporacji z Francji i jedyną konkurencją wobec niej była oferta firmy amerykańskiej” – mówi.

Ograniczenia i wyzwania w budowie agentów AI

Jakie są więc ograniczenia i wyzwania, które – póki co – nie pozwalają rozwijać się szybciej tej technologii? Jak wskazują eksperci, największą barierą jest bardzo drogi development. „Stworzenie takiego narzędzia wymaga bowiem zespołu specjalistów od uczenia maszynowego, którzy dokonują fine tuningu, zbudują sety ewaluacyjne itd. Są to też bardzo złożone rozwiązania. Przykładowo, w systemach multiagentowych każdy początkowy błąd jednego agenta jest następnie propagowany na innych agentów. Jest to ogromnym problemem, bo każdy element musi być więc osobno ewaluowany i fine tuningowany” – tłumaczy Bartek Roszak.

Co ciekawe, największe wyzwania związane z tworzeniem agentów AI nie występują na poziomie sztucznej inteligencji. „Wyzwania koncentrują się na poziomie integracji, a w zasadzie na umiejętnym podprowadzeniu danych oraz odpowiedniego kontekstu takiemu agentowi pod AI, żeby dobrze wiedział, co ma robić. To niestety zajmuje dużo pracy, zwłaszcza jeżeli mówimy o sektorze bankowym, gdzie dane muszą być obsługiwane w odpowiedni, bezpieczny sposób” – wskazuje Maciej Cielecki.

Dużym wyzwaniem jest również halucynowanie modeli oraz to, że są nieprzewidywalne i niedeterministyczne. „Niestety, raz na jakiś czas LLM-y nie potrafią rozwiązać danego problemu. Nie działają bowiem tak przewidywalnie i precyzyjnie jak komputery. Są bardziej jak ludzie – czasem popełniają błędy” – mówi Bartek Roszak.

Podobne spostrzeżenia ma Maciej Cielecki: „Rzeczywiście, systemy te czasami się mylą, a bywa że spotykają przypadki, których nie są w stanie obsłużyć bez pomocy specjalistycznych rozwiązań” – zauważa.

Kolejny problem to zagrożenia typu prompt injection. Chodzi o technikę ataku, która pozwala na manipulowanie odpowiedziami dużych modeli językowych (LLM) poprzez złośliwie sformułowane wejścia. „W systemach agentowych istnieje duże ryzyko związane z problemami bezpieczeństwa powiązanymi z tą techniką. Z jednej strony, chcemy żeby agent potrafił wykonać jak najwięcej zadań, a z drugiej strony musimy liczyć się z tym, że jeśli ktoś go zmanipuluje, wtedy może realizować zadania w sposób niepożądany. W takich sytuacjach potrzebne są dodatkowe warstwy zabezpieczające pracę agenta” – twierdzi Maciej Cielecki.

Dla kogo są agenci AI?

Agentów AI mogą przede wszystkim stosować organizacje z tych sektorów, w których jest dużo powtarzalnej pracy wymagającej niskich zdolności kognitywnych i operowania na komputerze, wskazuje Bartek Roszak.

„Mam tu na myśli kopiowanie informacji, przygotowywanie raportów itp. Czyli manualną pracę, która nie wymaga specjalistycznej wiedzy, doświadczenia i umiejętności. Kolejna rzecz to obsługa klienta. Owszem, mamy już na infoliniach chatboty, ale systemy agentowe, powinny skokowo zwiększać swoją zdolność do rozwiązywania coraz bardziej skomplikowanych problemów, bez interwencji człowieka. Przekazanie agentowi dostępu do różnych informacji – np. do regulaminu promocji – sprawi, że będzie on sobie radził sam, bez wskazywania jak ma się w danej sytuacji zachować” – tłumaczy ekspert STX Next. „Jeśli chodzi natomiast o branże takie jak przemysł to Agenci AI nie będą raczej w nich szybko wykorzystywani. Nie dają niestety 100% pewności, a przemysł wymaga przecież bezwzględnej dokładności. Szybciej już sprawdzą się w logistyce jako wsparcie przy planowaniu łańcuchów dostaw” – dodaje.

„Zastosowanie Agentów AI sprawdza się głównie w automatyzacji ustandaryzowanych procesów biznesowych, współpracy między zespołami, np. poprzez dostarczanie informacji potrzebnych do podejmowania decyzji, ale też identyfikowania wzorców i wyciągania wniosków na podstawie danych. Agentów AI coraz częściej wykorzystuje się w obszarach takich jak marketing i sprzedaż, obsługa klienta, B+R, a także zarządzanie danymi” – wskazuje Tomasz Sobol.

Boston Consulting Group podaje kilka praktycznych przypadków biznesowego wykorzystania agentów AI w USA w:

• Marketingu: wiodąca firma produkująca towary konsumpcyjne wykorzystała agentów AI do tworzenia postów na firmowym blogu, co pozwoliło obniżyć koszty o 95% i znacząco zwiększyć częstotliwość publikacji.
• Obsłudze klienta: wiodący globalny bank wykorzystał wirtualnych agentów AI do komunikacji z klientami, co pozwoliło mu obniżyć koszty 10-krotnie.
• Badaniach i rozwoju: firma biofarmaceutyczna wykorzystała agentów AI do generowania leadów, co pozwoliło skrócić czas cyklu o 25% i uzyskać 35% wydajności czasowej przy tworzeniu raportów z badań klinicznych.
• Nowych technologiach: dział IT jednej z firm technologicznych wykorzystał agentów AI do modernizacji swoich starszych rozwiązań, zwiększając tym samym produktywność nawet o 40%.

Dlaczego agenci AI zyskują na popularności?

Prognozowany przez Markets&Markets gwałtowny wzrost adopcji agentów AI nie odbywa się w próżni. Napędzają go trzy czynniki.

Po pierwsze, jest to efektem skokowego rozwoju technologii przetwarzania języka naturalnego (NLP). Agenci AI nie tylko rozumieją słowa, ale także kontekst, intencję czy nawet nastrój. To przełomowe rozwiązanie umożliwia im obsługę złożonych zadań, które byłyby niemożliwe jeszcze kilka lat temu.

Po drugie, konsumenci coraz częściej domagają się hiperpersonalizowanych doświadczeń cyfrowych. Niezależnie od tego, czy chodzi o rekomendacje zakupowe czy obsługę klienta, klienci oczekują usług dostosowanych specjalnie do ich potrzeb. A agenci AI doskonale radzą sobie z dostarczaniem tego poziomu personalizacji na dużą skalę.

Po trzecie, organizacje odkrywają, że agenci AI mogą radykalnie poprawić wydajność operacyjną przy jednoczesnym obniżeniu kosztów. Dzięki automatyzacji rutynowych zadań i zapewnianiu całodobowego wsparcia, ci cyfrowi pracownicy stają się niezbędni dla firm, które chcą pozostać konkurencyjne.

Jak może wyglądać przyszłość agentów AI?

Narracja dotycząca agentów AI jest obecnie mocno zarysowana na rynku. O tym, że rozwiązania te będą w przyszłości wykorzystywane na dużą skalę zapewniali nie tylko prezesi największych firm technologicznych – m.in. Microsoft i OpenAI – ale także analitycy Gartnera. Przewidują oni, że do 2028 roku co najmniej 15% codziennych decyzji zawodowych będzie podejmowana właśnie przez agentów AI.

„W przyszłości agenci AI będą na pewno bardzo pomocni w tworzeniu kodu i rozwiązywaniu zadań stricte deweloperskich. Sprawdzą się też jako wsparcie Contact Center, jednak z zastrzeżeniem, że nie wydarzy się to zbyt szybko. Po pierwsze, ze względu na ograniczenia korporacyjne związane z dostępem do prywatnych danych. Po drugie, aby rozwinąć obszar używania agentów AI w firmach na danych sensytywnych – co jest kluczowe, żeby zapewnić ich adopcję – konieczny jest dalszy rozwój modeli open source. One oczywiście już istnieją, ale wciąż brakuje specjalistów, którzy mogliby postawić taki model. Jeśli te dwa problemy zostaną rozwiązane to branża Contac Center czy Customer Service zmienią się diametralnie” – uważa Bartek Roszak.

Kolejne wskazywane przez entuzjastów tej technologii oczekiwanie wobec agentów AI, dotyczy umożliwienia im przez ​​najnowsze modele GenAI, naśladowania ludzkiej logiki i rozumowania w scenariuszach niuansowych. Co oznaczałoby samodzielne planowanie swoich działań, wykonywanie ich, komunikowanie się z ludźmi (lub z innymi agentami AI), a także doskonalenie się w tym, jak poprawić swoją wydajność. Eksperci są jednak zgodni, że osiągnięcie tego poziomu autonomii zajmie trochę czasu.

„Najwięksi gracze na rynku zmierzają w kierunku agentów AI, którzy będą takim drop-in replacement człowieka. Przykładowo, będzie można przeprowadzić sobie z nimi rozmowę na Teams, zlecić im jakieś zadanie, a za jakiś czas ich z tego rozliczyć. Agent AI o takich możliwościach jest dla tych największych firm niczym Święty Graal” – mówi Maciej Cielecki. „Inny trend dotyczy tego, aby systemy agentowe potrafiły w przyszłości automatycznie skonfigurować i zintegrować się z innymi systemami firmowymi. W 10Clouds robimy już pewne eksperymenty w tym zakresie – chcemy w ramach usługi dostarczać agentów, którzy będą w stanie obsługiwać poszczególne elementy w organizacji, a ich integracja będzie szybka i w miarę automatyczna. Ale do tego też jeszcze długa droga” – dodaje.

Organizacje liczące na natychmiastowy wzrost produktywności dzięki agentom AI będą musiały jeszcze poczekać. Raz, że potrzeba czasu na wyszkolenie agentów AI, aby były to rozwiązania niezawodne i nie popełniające błędów, a  tym samym stały się narzędziami gotowymi  do użytku korporacyjnego. Po drugie, trzeba też pamiętać o przeszkoleniu pracowników do korzystania z tego typu narzędzi w codziennych przepływach pracy.

„Satya Nadella prezes Microsoft mówił, że agenci AI szybko wytną wszystkie systemy SaaS – podchodzę jednak do tych prognoz dość sceptycznie. Dopóki nie będziemy mieli pewności, że te rozwiązania są powtarzalne w 100%, nie halucynują i dają ten sam poziom, którego oczekujemy od oprogramowania i komputerów, to żadnego boomu na te rozwiązanie nie będzie. Dlatego uważam, że przez kolejne 5 lat będziemy widzieli raczej pojedyncze zastosowania. I to w takich organizacjach, w których zysk jest na tyle duży, że opłaca się zainwestować w R&D, aby zrobić to na naprawdę wysokim poziomie. Póki co bowiem wiele zadań można wykonywać znacznie taniej przy pomocy ludzi” – twierdzi Bartek Roszak.

Do przyspieszenia na rynku agentów AI może natomiast dojść wtedy, gdy dostęp do niezbędnych technologii stanie się tańszy, co sprawi, że staną się one bardziej dostępne. Coraz więcej firm będzie wówczas mogło tworzyć własne rozwiązania automatyzujące. Niestety, obecnie koszty dostępu do tych narzędzi są wciąż jeszcze zbyt wysokie dla wielu organizacji.

Jest to o tyle ważne, że rozwiązania te posiadają potencjał do wzbudzenia szerokich zmian w zakresie wykorzystania aplikacji. Wyróżnikiem agentów AI jest obecnie wspomniana już autonomiczność, ale w przyszłości ma być to także fundamentalna zmiana dotycząca tego w jaki sposób będziemy wchodzić dzięki nim w interakcję z oprogramowaniem biznesowym. „Każde oprogramowanie jakie znamy do tej pory, ma sprowadzać się do roli baz danych, z którymi agent AI będzie wchodził w interakcję w naszym imieniu. System agentowy będzie więc także zmieniać doświadczenia użytkownika. Nie będziemy już przeklikiwać się przez kolejne systemy, tylko między jednym a drugim spotkaniem mówić agentowi AI co ma dla nas zrobić. I to będzie ta przyszłość, którą obiecują nam prezesi wielkich firm technologicznych” – podsumowuje Maciej Cielecki.